科技人物信息的获取是构建科技人物图谱的重要内容,如何精准有效地抽取非结构化的科技人物简历信息是构建科技人物图谱过程中的关键问题。当前,使用基于深度学习序列标注的信息抽取方法是解析非结构化文本内容的主流方法。但现有方法对科技人物简历文本的处理仍然存在信息表达不充分,相似信息分类混淆的缺点。针对上述问题,本文提出了以下解决方法:第一,由于传统基于字或基于词的深度学习方法并不能有效表达科技人物简历中专业名词较多、组成结构复杂的研究领域信息。本文提出使用基于字词协同的深度学习序列标注方法,有效提高了研究领域信息的抽取效果。第二,由于对科技人物简历的抽取需要区分人物的学习经历和工作经历,然而人物简历中学习和工作经历所包含的时间和单位语言学特征相似,现有序列标注方法不能准确区分其所属经历类别,本文提出在序列标注识别基础上使用GBDT进行分类矫正的方法,有效提高了对时间和单位信息的分类正确率。最后,本文集成了以上两种方法,设计并实现了基于深度学习序列标注与GBDT分类矫正相结合的科技人物简历信息抽取系统,该系统能够有效识别科技人物简历信息,并且实现了对科技人物图谱的更新与查询。